BAB 2

LANDASAN TEORI

Pada bab ini, akan dijelaskan mengenai landasan teori yang akan dipakai dan

gambaran umum objek, seperti konsep–konsep Pengenalan Pola, Pengenalan Suara,

Sinyal Percakapan, Sinyal Digital, Metode Fourier, LPC.

2.1 Pengenalan Pola

Pola (pattern) adalah entitas yang terdefinisi dan dapat diberikan suatu

identifikasi atau nama misalkan buku, wajah manusia, dan sebagainya (Murni dan

Setiawan,1992,p6). Pola adalah bentuk atau model (atau, lebih abstrak, suatu set

peraturan) yang bisa dipakai untuk membuat atau untuk menghasilkan suatu atau bagian

dari sesuatu, khususnya jika sesuatu yang ditimbulkan cukup mempunyai suatu yang

sejenis untuk pola dasar yang dapat ditunjukkan atau terlihat, yang mana sesuatu itu

dikatakan memamerkan pola (http://id.wikipedia.org/wiki/Pola). Deteksi pola dasar

disebut pengenalan pola.

Riset untuk pengenalan suara otomatis sudah lama dilakukan, sekitar lebih dari

empat dekade, yang awalnya terinspirasi oleh film fiksi yang berjudul A Space Odysses.

Pengenalan pola digunakan untuk mengenali objek kompleks dari bentuk sifat dari objek

yang akan dikenali ciri–ciri dari objeknya. Pengenalan pola secara formal dapat

dideskripsikan sebagai sebuah proses yang menerima pola atau sinyal berdasarkan hasil

pengukuran yang kemudian diklasifikasikan ke dalam satu atau lebih kategori atau kelas

tertentu (Haykin,1999,p67).

10  

 

 

Suatu sistem pengenalan pola pada dasarnya terdiri atas tiga tahap, yaitu

penerimaan data, pengenalan data, dan pengenalan objek atau pembuatan keputusan.

Adapun pendekatan utama dalam pengenalan pola adalah pendekatan geometrik dan

pendekatan struktural. Pendekatan struktural dilakukan dengan penentuan dasar yang

mendeskripsikan objek yang akan dikenali (pendekatan pola melalu diskripsi dan

kesimpulan).

Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat

diartikan sebagai "tindakan mengambil data mentah dan bertindak berdasarkan

klasifikasi data” (http://id.wikipedia.org/wiki/Pengenalan_pola). Dengan demikian, ia

merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning).

2.2. Pengenalan Suara

Pengenalan suara adalah proses yang dilakukan komputer untuk mengidentifikasi

kata–kata yang diucapkan kepadanya. Penelitian dibidang pengenalan suara (speech

recognition) oleh mesin telah dilakukan hampir selama lima dekade, dimana percobaan

awal oleh mesin dibuat tahun 1950-an, yaitu pada saat berbagai penelitian mencoba

untuk mengekspolitasi ide fundamental dari acoustic-phonetics.

Sejarah penelitian di bidang pengenalan suara (speech recognition) antara lain :

a. Tahun 1952, di Labotorium Bell, Davis, Bidullph, Balashek membuat suatu sistem

pengenalan digit terisolasi untuk seorang pembicara. Sistem tersebut sangat

tergantung kepada pengukuran resonasi spectral di daerah vokal dari setiap digit;

11  

 

 

b. Tahun 1956, sebuah usaha independen pada Labotorium RCA, Olson dan Belar

berusaha untuk mengenali sepuluh suku kata yang berbeda dari setiap pembicara

yang juga bergantung pada pengukuran spectral pada area vokal;

c. Tahun 1959, Universitas Collage di Inggis, Fry and Denes mencoba untuk membuat

suatu pengenalan fenom untuk mengenali empat vokal dan sembilan konsonan.

Mereka menggunakan keputusan dari pengenalan;

d. Usaha lain pada periode ini adalah mengenalkan vokal oleh Forgie dan Forgie,

dikonstruksikan di Labotorium Lincoln MIT pada tahun 1959, di mana sepuluh

vokal disisipkan dalam format a/b/-vokal-/t dapat dikenali. Sekali lagi sebuah filter

bank analyzer digunakan untuk menyediakan informasi spectral dan pengukuran

waktu yang dipakai untuk memperkirakan resonasi jejak vokal yang menentukan

vokal mana yang diucapkan;

e. Pada tahun 1960-an, sejumlah ide fundamental dalam speech recognition mucul

kepermukaan dan diterbitkan. Dekade ini dimulai dengan beberapa Labotorium

Jepang yang memasuki arena pengenalan dan membangun special-purpose

hardware sebagai bagian dari sistem mereka. Awal dari sistem Jepang dimulai dari

Suzuki dan Nakata dari Lab. Penelitian Radio di Tokyo yang merupakan hardware

pengenalan huruf vokal;

f. Usaha lainnya dilakukan oleh Sakai dan Doshita dari Universitas Kyoto tahun 1962,

yang membangun sebuah hardware pengenalan fenom. Usaha yang ketiga

merupakan hardware pengenalan digit oleh Nagata dan rekan kerjanya di Lab. NEC

pada tahun 1963. Usaha ini mungkin yang paling dikenali sebagai percobaan

12  

 

 

perdana dari speech recognition pada NEC dan menjadi awal bagi sebuah program

penelitian yang produktif;

g. Di era 60-an, terdapat tiga proyek penelitian kunci, yang pertama adalah usaha yang

dilakukan oleh Martin dan rekannya pada labotorium RCA, untuk membangun solusi

realistik bagi problem yang berkaitan dengan ketidakseragaman dalam interval

waktu, dari speech event. Martin membangun sistem dengan dasar pada kemampuan

unutk mendeteksi awal dan akhir dari suatu speech. Martin membangun metodenya

dan mendirikan satu perusahaan bernama Threshold Technology yang membuat,

memasarkan, dan menjual produk–produk speech recognition. Sementara pada

waktu yang bersamaan di Uni Sovyet, Vintsyuk mengajukan penggunaan dari

metode dynamic programming untuk penyamaan waktu dari sepasang pengutaraan

speech;

h. Pencapaian yang akhir tahun 1960-an merupakan penelitian pioneer dari Reddy

dalam bidang continues speech recognition dan dynamic tracking dari fenom;

i. Pada tahun 1970-an penelitian speech recognition meraih sejumlah batu pijakan

yang signifikan. Pertama, area dari kata terisolasi atau pengenalan ucapan diskrit

menjadi suatu teknologi yang mungkin dan berguna berdasarkan pada pembelajaran

fundamental oleh Velicho dan Zagoruyko di Rusia, Sakoe dan Chiba di Jepang, dan

Itakura di Amerika. Pembelajaran di Rusia membantu memajukan penggunaan dari

ide pattern recognition dalam speech recognition. Penelitian di Jepang memajukan

bagaimana metode dynamic programming dapat diterapkan dengan sukses dan

penelitian di Itakura menunjukkan bagaimana ide dari Linear Predictive Logic

13  

 

 

(LPC) yang mana telah digunakan dengan sukses pada pengkodean speech ber-bit

rendah;

j. Penelitian speech pada tahun 1980-an bercirikan pada pergeseran teknologi dari

pendekatan berbasis template menjadi statistik modeling, terutama pendekatan model

Hidden Markov Model. Ide lain diperkenalkan pada akhir 1980-an adalah penerapan

neural network pada speech recognition. Neural networks pertama kali dikenalkan

tahun 1950, tapi tidak terbukti berguna pada awalnya karena terlalu banyaknya

masalah praktikal.

2.3 Sinyal dan Sinyal Percakapan

2.3.1 Sinyal

Sinyal dapat didefinisikan sebagai kuantitas yang fisik yang bervariasi seiring

waktu atau variabel bebas lainnya yang menyimpan suatu informasi (M.J.Roberts,

Signals and System Analysis Using Transform Methods and Matlab, New York :

McGraw-Hill,2004,h.1). Contoh dari sinyal adalah suara manusia, kode morse, tegangan

listrik di kabel telepon, variasi intensitas cahaya pada sebuah jaringan serat optik yang

digunakan dalam telepon atau jaringan komputer, dan lainnya. Sinyal dapat

diklarifikasikan menjadi beberapa jenis yaitu, sinyal waktu, sinyal nilai, sinyal random,

dan sinyal non-random. Untuk Sinyal Waktu dapat dibagi menjadi dua, yaitu Sinyal

Waktu Kontinu/Sinyal Analog yang merupakan sinyal yang belum melalui proses

apapun dan Sinyal Waktu Diskrit/Sinyal Digital yang merupakan sinyal analog

yang telah melalui proses sampling quantization, dan encoding.

14  

 

 

Pada dasarnya semua suara audio, baik vokal maupun bunyi tertentu merupakan

suatu bentukan dari getaran. Ini menandakan semua suara memiliki bentuk

gelombangnya masing-masing. Umumnya bentukan gelombangnya disebut dengan

sinyal analog. Bentuk dari sinyal analog bisa dilihat pada Gambar 2.1.

Gambar 2.1 Diagram Gelombang Sinyal Analog

Namun sebuah teknik memungkinkan sinyal ini diubah dan diproses sehingga

menjadi lebih baik. Teknik ini memungkinkan perubahan sinyal analog menjadi bit

digital. Teknik itu disebut teknik sampling. Jika telah menjadi sinyal digital maka sinyal

ini jauh lebih baik, sedikit noise-nya dan juga dapat diproses dengan mudah. Digital

Signal Prosessing merupakan perkembangan dari teknik ini yang memungkinkan untuk

membentuk contoh-contoh yang berupa suara seperti yang ada pada keyboard,

synthesizer, Audio Prosessing, dan lain–lain.

Digital Signal Processor atau DSP adalah sejenis mikroprosesor yang di

desain/dirancang khusus untuk pemrosesan isyarat digital (digital signal processing).

Biasanya komponen elektronika digital ini dipakai untuk komputer yang memerlukan

15  

 

 

waktu tanggap (response time) yang cepat (untuk real-time applications)

(http://id.wikipedia.org/wiki/Digital_signal_processor).

Ciri khas dari DSP meliputi:

a. dipakai untuk pemrosesan real-time;

b. mempunyai ADC (Analog to Digital Converter) pada bagian input dan DAC pada

bagian output (lihat Gambar 2.5);

c. mempunyai kinerja (performance) yang optimal untuk streaming-data;

d. menggunakan arsitektur Harvard (memori program dan data terpisah);

e. memiliki instruksi khusus untuk pemrosesan SIMD (Single Instruction, Multiple

Data);

f. tidak memerlukan hardware khusus untuk operasi multitasking;

g. mempunyai kemampuan DMA (Direct Memory Access) jika dipakai sebagai host

system.

Semua operasi DSP sebetulnya bisa dilakukan pada mikroprosesor umum

(general-purpose microprocessor). Akan tetapi, DSP memiliki sistem arsitektur yang

telah dioptimasikan untuk lebih dapat mempercepat pemrosesan sinyal (isyarat).

Optimasi ini juga penting sekali artinya dalam kaitannya untuk menekan biaya,

penghantaran panas (heat emission), dan penggunaan daya (power consumption).

Proses sampling adalah proses pengambilan nilai–nilai sinyal pada titik diskrit

sepanjang variabel peubah waktu dari sinyal waktu kontinu, sehingga didapatkan sinyal

waktu diskrit. Pada proses ini terjadi suatu pencuplikan dari bentukan sinyal analog.

Pencuplikan dilakukan pada bagian-bagian sinyal analog. Ini dilakukan dengan sinyal-

sinyal sample.

16  

 

 

Gambar 2.2 Bentukan Sinyal Sample

Ada suatu aturan tertentu dari sinyal ini. Teori Shannon menyatakan frekuensi

sinyal ini paling sedikit adalah dua kali frekuensi sinyal yang akan di-sampling (sinyal

analog). Ini adalah batas minimum dari frekuensi sample agar nantinya cuplikan yang

diambil menunjukkan bentukan sinyal yang asli (analog). Lebih besar tentunya lebih

baik, karena cuplikan akan lebih menggambarkan sinyal yang asli. Kesimpulan yang

didapat, proses sampling menunjukkan berapa sinyal analog yang akan dicuplikkan

dalam satu detik, misalkan sinyal dicuplik sebesar 11025 Hz, yang berarti dalam satu

detik, sinyal dibagi–bagi sebanyak 11025 kali.

Setelah dilakukan proses ini, maka terbentuklah suatu sinyal analog-diskrit yang

bentuknya menyerupai aslinya namun hanya diambil diskrit-diskrit saja. Quantization

adalah proses pemetaan nilai–nilai dari sinyal kontinu menjadi nilai–nilai yang diskrit,

sehingga didapatkan sinyal nilai diskrit. Setelah diquantisasi maka tiap-tiap diskrit yang

17  

 

 

Gambar 2.3 Bentukan Proses Pencuplikan

ada telah memiliki tetapan tertentu. Tetapan ini dapat dijadikan kombinasi bilangan

biner, maka terbentuklah bilangan-bilangan biner yang merupakan informasi dari sinyal.

Kesimpulannya, proses quantization bertujuan untuk menunjukkan jumlah bit sinyal

analog yang dicuplik, misalkan empat bit, delapan bit. Semakin tinggi jumlah bit yang

digunakan maka semakin bagus hasil suara yang didapat.

Setelah menjadi sinyal digital maka proses-proses perekayasaan dapat dilakukan.

Yang harus dilakukan adalah mengubah informasi digital tersebut dengan proses digital

sehingga menjadi suara-suara yang diinginkan, proses inilah yang disebut encoding.

Proses dapat dilakukan dengan berbagai macam alat-alat digital (contohnya komputer).

Sample-sample yang ada juga digunakan sebagai informasi untuk menciptakan suara

dari berbagai macam alat elektronik misalkan keyboard dan synthesizer. Penyimpanan

suara juga akan lebih baik karena informasinya adalah digital sehingga berkembanglah

CD dan DAT (Digital Tape).

Dalam proses pengolahan sinyal analog, sinyal input masuk ke Analog Signal

Processing (ASP), diproses atau diberi perlakuan misalkan pemfilteran, penguatan, dan

output-nya berupa sinyal analog.

18  

 

 

Gambar 2.4 Sistem Pengolahan Sinyal Analog

Proses pengolahan sinyal secara digital memiliki bentuk sedikit berbeda.

Komponen utama sistem ini berupa sebuah processor digital yang mampu bekerja

apabila inputnya berupa sinyal digital. Untuk sebuah input berupa sinyal analog perlu

proses awal yang bernama digitalisasi melalui perangkat yang bernama analog-digital

conversion (ADC), di mana sinyal analog harus melalui proses sampling, quantifizing,

dan encoding. Demikian juga output dari processor digital harus melalui perangkat

digital-to-analog conversion (DAC) agar outputnya kembali menjadi bentuk analog. Hal

ini bisa diamati pada perangkat seperti PC, digital sound system, dan lain sebagainya.

Secara sederhana bentuk diagram blognya dapat digambar seperti Gambar 2.5.

Sinyal yang berbentuk digital dapat disimpan dalam media penyimpanan di

komputer. WAV file (berasal dari kata wave) merupakan format umum yang paling

sederhana untuk menyimpan data sinyal audio. WAV file terdiri dari tiga potongan

informasi yaitu : RIFF chunk yang berisi informasi yang menandakan bahwa file

19  

 

 

Gambar 2.5 Sistem Pengolahan Sinyal Digital

berbentuk WAV, FORMAT chunk yang berisi parameter–parameter seperti jumlah

channel, sample rate, resolusi, dan DATA chunk yang berisi aktual sinyal digital.

2.3.2 Sinyal Percakapan

Sinyal percakapan adalah sinyal yang dihasilkan dari suara manusia sewaktu

melakukan percakapan. Sinyal percakapan merupakan kombinasi kompleks dari variasi

tekanan udara yang melewati pita suara dan vocal tract, yaitu mulut, lidah, gigi, bibir,

dan langit–langit. Speech (wicara) dihasilkan dari sebuah kerjasama antara lungs (paru–

paru), glottis (dengan vocal cords) dan articulation tract (mouth atau mulut dan nose

cavity/rongga hidung). Sinyal suara terdiri dari serangkaian suara yang masing–masing

menyimpan sepotong informasi. Berdasarkan cara menghasilkannya, suara dapat dibagi

menjadi voiced dan unvoiced. Voiced sounds atau suara ucapan dihasilkan dari getaran

pita suara, sedangkan unvoiced sounds dihasilkan dari gesekan antara udara dengan

vokal tract.

20  

 

 

Sinyal percakapan memiliki beberapa karakteristik, seperti formant, pitch dan

intensitas yang berguna dalam melakukan analisis sinyal suara. Pitch adalah frekuensi

dari sinyal atau yang sering disebut intonasi. Intensitas adalah kekuatan suara.

Gambar 2.6 Produksi Suara Manusia (http://lecturer.eepis-its.edu/~tribudi/LN_SIP_Prak/rev_01_Speech_prak_1_Matlab.pdf)

Impuls tekanan pada umumnya disebut sebagai pitch impulses dan frekuensi

sinyal tekanan adalah pitch frequency atau fundamental frequency. Sederet impuls

(fungsi tekanan suara) dihasilkan oleh pita suara untuk sebuah suara. Ini merupakan

bagian dari sinyal voice (suara) yang mendefinisikan speech melody (melodi wicara).

Ketika berbicara dengan pitch yang stabil, suara sinyal wicara monotonous tetapi dalam

kasus normal sebuah perubahan permanen pada frekuensi terjadi. Impuls pitch

21  

 

 

merangsang udara dalam mulut dan untuk suara tertentu (nasals) juga merangsang

nasal cavity (rongga hidung). Ketika rongga beresonasi, akan menimbulkan radiasi

sebuah gelombang suara yang mana merupakan sinyal percakapan. Kedua rongga

beraksi sebagai resonators dengan karakteristik frekuensi resonansi masing–masing yang

disebut formant frequencies, sehingga formant merupakan variasi resonasi yang

dihasilkan oleh vocal tract. Pada saat rongga mulut mengalami perubahan besar, kita

mampu untuk menghasilkan beragam pola ucapan suara yang berbeda. Di dalam kasus

unvoiced sounds, exitansi pada vocal tract lebih menyerupai noise atau derau.

2.4 Linear Predictive Coding (LPC)

Linear Predictive Coding atau LPC adalah sebuah alat yang digunakan dalam

sebagian besar pemrosesan sinyal audio dan pemrosesan wicara untuk mewakili spectral

envelope dari sinyal digital pembicaraan dikompresi, menggunakan informasi dari linear

input model. LPC adalah salah satu yang paling baik dalam teknik analisi wicara, dan

salah satu metode yang paling berguna untuk encoding berkualitas pada bit-rate yang

rendah dan menyediakan yang baik mengenai perkiraan pembicaraan parameter

(http://en.wikipedia.org/wiki/Linear_predictive_coding). LPC juga termasuk cukup

efisien untuk komputasi.

LPC banyak digunakan aplikasi pengenalan suara, karena (Rabiner dan Juang,

1993,pp 97-100) :

a. Menyediakan suatu model yang baik untuk sinyal ucapan, di mana LPC

menyediakan suatu perkiraan yang baik untuk sinyal spectral envelope. Selama

unvoiced dan daerah sementara dari sinyal ucapan, model LPC tetap saja

22  

 

 

menyediakan suatu model yang berguna yang dapat diterima untuk tujuan

pengenalan suara;

b. LPC diterapkan untuk analisis sinyal ucapan mengarah pada suatu sumber yang

layak, untuk pemisahan bidang suara, sehingga menghasilkan suatu representasi

sederhana dari karakteristik bidang suara menjadi jelas;

c. LPC lebih tepat secara matematika, sederhana dan dapat langsung

diimplementasikan ke perangkat lunak atau perangkat keras;

d. LPC lebih baik dari metode Digital Signal Processing (DSP).

LPC memiliki dua komponen kunci, yaitu encoding dan decoding. Pada bagian

encoding atau analisa, LPC melakukan pengecekan terhadap sinyal suara dan

memecahkannya menjadi beberapa segmen atau beberapa blok. Setelah itu, setiap

segmen dapat menyelesaikan beberapa pertanyaan, yaitu :

a. Apakah segmen itu voiced (terucap dan terdengar) atau unvoiced (terucap tapi tidak

terdengar) ?;

b. Apakah segmen dari pitch tersebut ?;

c. Parameter apakah yang dibutuhkan untuk membentuk filter yang dapat dimodelkan

sinyal suara menjadi segmen–segmen tersebut?.

Pada bagian decoding atau sintesa, LPC berfungsi untuk memanipulasi suara

yang diproduksi sebelumnya. Voice Coder atau suara yang dihasilkan dari mesin,

memodelkan dua hal dari suara manusia, yaitu Eksitasi dan Artikulasi. Eksitasi adalah

tipe suara yang melewati filter suara sedangkan artikulasi adalah transformasi dari sinyal

eksitasi menjadi speech (suara yang terucap).

23  

 

 

Pada Gambar 2.7, direpresentasikan tentang perbedaan suara manusia dan mesin.

Di mana pada manusia, suara dikeluarkan melalui tekanan paru-paru dan menghasilkan

dua jenis suara, yaitu suara voiced dan unvoiced, kemudian suara ini akan dikeluarkan

dalam bentuk artikulasi pengucapan. Sedangkan pada mesin, suara dihasilkan melalui

energi listrik dalam hal ini pada PC, dihasilkan oleh sound card dan dikeluarkan melalui

speaker.

Gambar 2.7 Human vs. Voice Coder Speech Production

24  

 

 

2.4.1 Penentuan Voiced dan Unvoiced

Sebelum sebuah segmen dari sinyal suara ditentukan sebagai voiced atau

unvoiced, terlebih dahulu dilakukan pemfilteran melalui low-pass filter dengan

bandwidth sebesar 1 kHz. Menentukan sebuah segmen voiced atau unvoiced sangatlah

penting karena kedua segmen tersebut mempunyai bentuk gelombang yang sangat

berbeda. Perbedaan dari kedua bentuk gelombang ini menimbulkan sebuah kebutuhan

akan penggunaan dua sinyal input untuk LPC filter pada bagian sintesa.

Satu input sinyal untuk voiced dan satu lagi untuk unvoiced. Bagian encoding

akan mengirimkan single bit kepada bagian decoding untuk memberitahukan segmen

tersebut voiced atau unvoiced.

Gambar 2.8 Voiced Waveform

(http://neural.cs.nthu.edu.tw/jang/books/audioSignalProcessing/example/audioIntro/output/voicedShow01.png)

25  

 

 

Gambar 2.9 Unvoiced Waveform

(http://neural.cs.nthu.edu.tw/jang/books/audioSignalProcessing/example/audioIntro/output/unvoicedShow01.png)

Dari Gambar 2.8 dan Gambar 2.9, dipresentasikan perbedaan antara voiced dan

unvoiced. Pada Gambar 2.8, gelombang frekuensi dari huruf ‘s’ pada kata ‘Sunday’,

memiliki amplitudo yang lebih rendah dan frekuensinya yang renggang atau rendah bila

dibandingkan dengan unvoiced (Gambar 2.9). Suara unvoiced memiliki energi yang

lebih lemah sehingga amplitudonya terlihat lebih kecil dan memiliki frekuensi yang

lebih tinggi. Suara yang bertipe unvoiced, biasanya, adalah bunyi non-vokal atau

konsonan dan memiliki gelombang frekuensi yang lebih tidak beraturan dan acak.

Untuk menentukan apakah suara segmen tersebut voiced atau unvoiced, dapat

dilakukan dengan dua langkah. Langkah pertama, adalah dengan melihat amplitudo dari

gelombang sinyal suara tersebut. Jika amplitudonya besar, maka segmen dari sinyal

26  

 

 

suara tersebut digolongkan voiced, namum jika amplitudonya kecil, maka segmen dari

sinyal suara tersebut digolongkan unvoiced. Karena pada langkah pertama, kita tidak

bisa langsung menentukan bahwa sebuah segmen dari sinyal suara itu voiced dan

unvoiced jika hanya melihat amplitudonya saja, maka diperlukan langkah lain untuk

menentukannya. Langkah kedua ini berguna mengambil informasi dari fakta bahwa

segmen dari voiced speech memiliki amplitudo yang besar, sedangkan segmen dari

unvoiced speech memiliki frekuensi yang tinggi dan rata–rata nilai dari kedua segmen

mendekati nol, sehingga pada akhirnya, dari ketiga informasi ini dapat diambil

kesimpulan bahwa unvoiced speech harus melintasi x-axis lebih sering dibandingkan

voiced speech. Sehingga pada akhirnya, kita dapat menentukan antara voiced dan

unvoiced dengan menghitung berapa kali gelombang tersebut melintas x-axis dan

membandingkan nilai tersebut dengan nilai dari kisaran normal kebanyakan voiced dan

unvoiced speech.

2.4.2 LPC Model

Ide dasar LPC adalah suatu ucapan yang diberikan pada waktu n, s(n) bisa

diperkirakan sebagai kombinasi linier dari p sinyal suara manusia sebelumnya yang

dapat ditulis dengan persamaan :

1 2( ) ( 1) ( 2) ..... ( )ps n a s n a s n a s n p≈ − + − + + −

Dimana 1... pa a diasumsikan bernilai konstanta dari sebagian analisis suara manusia.

Dengan menyertakan suatu kondisi eksitasi, persamaan (2.1) menjadi :

1( ) ( ) . ( )

p

ii

S n a S n i G u n=

= − +∑

(2.1)

(2.2)

27  

 

 

Dimana u(n) adalah kondisi eksitasi yang ternormalisasi dan G adalah hasil eksitasi. Jika

persamaan (2.2) diekspresikan dalam domain Z, maka persamaan tersebut dapat diubah

menjadi :

1( ) ( ) . ( )

pi

ii

S z a z s z G u z−

=

= +∑

Yang bisa menjadi suatu fungsi :

1

1

( ) 1( )1. ( ) 1( )

p

ii

S zH zGU z a z

A z−

=

= =− =∑

Interpretasi dari persamaan (2.4) dapat digambarkan seperti Gambar 2.10 yang

memperlihatkan sumber eksitasi yang ternormalisasi, u(n) yang diskalakan oleh hasil G

dan berlaku sebagai masukan ke semua kutub sistem, 1( )( )

H zA z

= , untuk

menghasilkan sinyal ucapan, s(n).

Gambar 2.10 Linear Predictive Model dari Suara

Berdasarkan pengetahuan kita bahwa fungsi eksitasi yang sebenarnya untuk

sinyal ucapan intinya adalah suatu quasiperiodic getaran train (untuk voiced speech

sounds) atau sebuah sumber random noise (untuk unvoiced speech sounds) sesuai

(2.3)

(2.4)

28  

 

 

dengan synthesis model untuk suara, berhubungan dengan analisis LPC, yang terlihat di

Gambar 2.11.

Gambar 2.11 Speech Synthesis Model berdasarkan LPC Model

Disini, sumber eksitasi ternormalisasi dipilih oleh sebuah switch yang posisinya

dikendalikan oleh karakter voiced dan unvoiced dari suara yang ditentukan baik oleh

getaram quasiperiodic train sebagai eksitasi dari suara, atau urutan sumber random

noise untuk suara unvoiced. Hasil yang didapatkan, G, dari sumber diperkirakan dari

sinyal ucapan dan sumber yang diskalakan digunakan sebagai masukkan ke filter digital

(H(z)), yang dikendalikan oleh karakteristik parameter suara dari ucapan yang

diproduksi puncak untuk voiced, parameter hasil, dan koefisien dari penyaring digital

ka . Parameter–parameter ini semuanya berubah seiring waktu.

2.4.3 Analisis LPC

29  

 

 

Gambar 2.12 Blok Diagram Processor LPC

Gambar 2.12 menunjukkan blok diagram processor LPC yang biasa digunakan

dalam sistem pengenalan suara manusia. Langkah-langkah analisis LPC untuk

pengenalan suara adalah sebagai berikut (Rabiner and Juang, Fundamentals of Speech

recognition,p.112-117):

a. Preemphasis

Sinyal suara yang telah diubah menjadi sinyal digital, s(n), dilewatkan pada sebuah

filter yang berorde rendah. Rangkaian preemphasis yang paling sering digunakan

adalah sebuah sistem orde satu yaitu :

Dengan demikian, output dari rangkaian filter tersebut, ( )s n% , dalam fungsi

input, ( )s n , adalah sebagai berikut :

%( ) ( ) ( 1)s n s n as n= − −%

Dengan ( )s n adalah sample ke-n dan harga %a yang paling sering digunakan adalah

0.95.

b. Frame Blocking

(2.5)

(2.6)

% 1( ) 1 , 0.9 1H z az a−= − ≤ ≤

30  

 

 

Pada tahap ini, sinyal yang telah di-preemphasis diblok menjadi beberapa bagian

dengan jumlah sample N, dan tiap bagian dipisahkan dengan sejumlah M. Gambar

2.13 menunjukkan penggambaran sinyal yang telah di blok dengan nilai M=(1/3)N.

Bagian pertama terdiri dari sejumlah N sampel, kemudian bagian kedua dimulai dari

sampel ke M, juga sejumlah N sampel dan begitu seterusnya. Dengan demikian ada

sinyal yang overlap dari setiap bagian sinyalnya. Hal ini memberikan hasil spektrum

LPC yang akan berkorelasi tiap bagiannya. Semakin M<<N, semakin baik perkiraan

spectral LPC dari frame ke frame.

Gambar 2.13 Frame Blocking Sinyal

c. Windowing

Langkah berikutnya adalah melakukan proses window pada setiap bagian sinyal

yang telah dibuat sebelumnya. Hal ini dilakukan untuk meminimalkan

diskontinyuitas pada bagian awal dan akhir sinyal. Jika didefinisikan sebuah window

w(n) dan sinyal tiap bagian adalah x(n) maka sinyal hasil proses windowing ini

adalah sebagai berikut:

%( ) ( ). ( ), 0 1x n x n w n n N= ≤ ≤ − (2.7)

31  

 

 

Model window yang paling sering digunakan untuk model LPC dengan metode

autokorelasi adalah Hamming Window yang direpresentasikan dengan persamaan

berikut:

2( ) 0,54 0,46cos( ), 0 11

nw n n NNπ

= − ≤ ≤ −−

Hasil yang didapatkan lalu dikalikan dengan sampel.

d. Analisis Autokorelasi

Tiap bagian yang telah diberi window kemudian akan dibentuk autokorelasinya

dengan menggunakan persamaan berikut:

% %1

1 110

( ) ( ) ( ), 0,1,...,N m

nr m x n x n m m p

− −

=

= + =∑  

Di mana nilai tertinggi dari autokorelasi tersebut, p, adalah orde dari analisis LPC

yang akan dilakukan. Nilai yang umum untuk orde analisis LPC adalah antara 8

sampai 16. Keuntungan dari penggunaan metode autokorelasi adalah bahwa nilai ke-

nol, r(0), adalah energi dari sinyal yang dibuat autokorelasinya.

e. Analisis LPC

Langkah berikutnya adalah analisis LPC adalah mengubah p+1 buah hasil

autokorelasi pada masing-masing frame menjadi sebuah parameter LPC. Parameter

ini bermacam-macam, ada yang disebut dengan nama koefisien LPC, koefisien

pantulan (PARCOR), koefisien cepstral atau transformasi lain yang diinginkan.

Metode yang umum untuk menyelesaikan koefisien autokorelasi di atas menjadi

koefisien LPC adalah dengan menggunakan metode Durbin yang algoritmanya

adalah sebagai berikut :

(2.8)

(2.9)

32  

 

 

(0)

1( 1)

1( 1)

( )

( ) ( 1) ( )

( ) 2 ( 1)

(0)

{ ( ) (| |)}, 1

(1 )

ii

jj

i i

ii i

i i ij j i i j

i ii

E r

r i r i jk i p

Ek

k

E k E

α

α

α α α

−−

=−

−−

−

=

− −= ≤ ≤

=

= −

= −

∑

 

Kemudian, koefisien LPC yang didapatkan adalah sebagai berikut :

( ) , 1pj ja a j p= ≤ ≤  

Dengan r(0) : hasil autokorelasi

( )iE : error

ik : koefisien pantulan

( )ija : koefisien prediksi

f. Pengubahan Parameter LPC menjadi koefisien cepstral

Parameter LPC yang sangat penting yang dapat diturunkan dari koefisien LPC

adalah koefisien cepstral LPC, c(m). Persamaan yang digunakan untuk

menghitungnya adalah :

1

, 11

1

, 1

( )

( )

m

m m k m k m pk

m

m k m k m pk

kc a c am

kc c am

−

− ≤ ≤=

−

− >=

= +

=

∑

∑ 

Koefisien cepstral ini adalah koefisien dari representasi transformasi fourier pada

spectrum logaritmis.

(2.10)

(2.11)

(2.12)

(2.13)

(2.14)

(2.15)

(2.16)

(2.17)

33  

 

 

2.5 Transformasi Fourier

Transformasi Fourier, dinamakan atas Joseph Fourier, adalah sebuah

transformasi integral yang menyatakan-kembali sebuah fungsi dalam fungsi basis

sinusioidal, yaitu sebuah fungsi sinusoidal penjumlahan atau integral dikalikan oleh

beberapa koefisien ("amplitudo") (http://id.wikipedia.org/wiki/Transformasi_Fourier).

Ada banyak variasi yang berhubungan-dekat dari transformasi ini tergantung jenis

fungsi yang ditransformasikan.

Misalkan f(x) adalah suatu fungsi kontinu dari variabel riil (x), maka formula

Transformasi Fourier tersebut adalah :

2( ) ( ) i uxF u f x e dxπ−

−= ∫  

Dengan memasukkan persamaan euler, persamaan (2.18) dapat diubah menjadi

( ) (cos 2 sin 2 )F u f ux i ux dxπ π−

= −∫  

Jika diberikan suatu fungsi F(u), f(x) dapat dihasilkan dengan Inverse Fourier

Transform :

2( ) ( ) i uxf x F u e duπ−

= ∫  

Gambar 2.14 Fungsi Sederhana Fourier dan Spektrum Fourier 

(2.18)

(2.19)

(2.20)

34  

 

 

2.5.1 Transformasi Fourier Diskrit

Transformasi Fourier Diskrit (TFD) adalah salah satu bentuk transformasi

Fourier sebagai ganti integral, digunakan penjumlahan. Dalam matematika sering pula

disebut sebagai Transformasi Fourier berhingga (Finite Fourier transform), yang

merupakan suatu transformasi fourier yang banyak diterapkan dalam pemrosesan sinyal

digital dan bidang-bidang terkait untuk menganalisis frekuensi-frekuensi yang

terkandung dalam suatu contoh sinyal atau isyarat, untuk menyelesaikan persamaan

diferensial parsial, dan untuk melakukan sejumlah operasi, misalnya saja operasi-operasi

konvolusi.

Jika x(t), mewakili sinyal suara, maka mendapatkan persamaan:

( ) ( ) j tX x t e dtωω∞

−

−∞

=∑

Dimana : ( )X ω : fungsi kompleks dari variabel frekuensi

( )x t : fungsi kompleks dari variabel waktu

Dengan teknik sampling, secara berurutan sinyal kontinu ( )x t , dikonversikan ke

dalam bentuk sinyal tidak kontinu ( )x nT dengan tekanan sampling setiap t detik. Karena

nilai dari t selalu tetap (frekuensi sampling yang digunakan tetap), maka dalam

penulisan ( )x nT umumnya ditulis dengan ( )x n . Maka, transformasi fourier dari sinyal

yang tidak kontinu adalah (Hayes,1998,p262) :

( ) ( ) j tX x n e ωω∞

−

−∞

=∑

Dimana : ω : besaran frekuensi dengan range : 0 < < 2 ,

( )X ω : hasil sample dari ( )x n dan bersifat periodik dengan periode 2π

(2.21)

(2.22)

35  

 

 

Dalam memroses data dengan menggunakan DFT (Discrete Fourier Transform)

harus ditetapkan sebuah konstanta N yang menyatakan banyaknya sample dalam frame,

karena dalam sebuah proses digital tidak mungkin dapat dilakukan perhitungan

penjumlahan dari nilai n= sampai nilai n=- . Sehingga, persamaan

 

Dimana 2fN

NW eπ

= dan merupakan besaran dengan nilai kompleks. Persamaan

(2.23) biasa dikenal dengan Discrete Fourier dengan N titik, dan untuk melakukan

perhitungan diatas diperlukan sejumlah perkalian bilangan kompleks sebanyak 2N buah

dalam sebuah frame dengan sebanyak sample N. Metode Discrete Fourier ini

mempunyai kelemahan yaitu membutuhkan waktu yang sangat lama untuk N bernilai

besar, yang dikarenakan jumlah operasi perkalian bilangan kompleks yang harus

dilakukan, naik secara kuadratis dengan naiknya nilai N secara linier. Karena itu,

dikembangkan metode yang bernama Fast Fourier Transform yang dapat memperkecil

jumlah perhitungan yang harus dilakukan.

2.5.2 Transformasi Fourier Cepat

Transformasi Fourier cepat (Fast Fourier Transform/FFT) adalah suatu

algoritma untuk menghitung transformasi Fourier diskrit (Discrete Fourier

Transform/DFT) dengan cepat dan efisien. Transformasi fourier cepat diterapkan dalam

beragam bidang, mulai dari pengolahan sinyal digital, memecahkan persamaan

(2.23)

36  

 

 

diferensial parsial, dan untuk algoritma mengalikan bilangan bulat besar

(http://id.wikipedia.org/wiki/Transformasi_Fourier_cepat).

Prinsip dari FFT adalah mentransformasikan bentuk simetri dari fungsi bilangan

kompleks yang bersifat periodik sebesar 2π menjadi bentuk spektrum frekuensi. Ada dua

macam bentuk simetri dari bilangan kompleks yang digunakan yaitu sifat dari besaran

ini mempunyai besar yang sama. Sifat simetri yang kedua didapat dari sifat bilangan

kompleks yang mempunyai periode 2π.

Sehingga, perhitungan FFT dapat disederhakan menjadi perhitungan bagian

genap dari perhitungan bagian ganjil (Hopes,1989,p262).

Misalkan :

Bagian genap : ( ) (2 )y n x n=  

Bagian ganjil : ( ) (2 1)z n x n= +

    dimana : n=0,1,2,3,…., ( 12N− )

Dengan mengsubtitusikan Persamaan (2.3), maka dapat ditulis persamaan baru yaitu

1 4 2 (2 1)2

0( ) ( ) ( )

Nj nk j n k

N N

nX k y n e z n e

π π− − − +

=

⎡ ⎤= +⎢ ⎥

⎣ ⎦∑

Komponen 2j k

k Nw eπ−

= dapat dikeluarkan karena bukan merupakan fungsi dari n,

sehingga

( ) ( ) ( )kX k Y k W z k= + ,

dimana k=0,1,2,3,…., ( 12N− )

(2.24)

(2.25)

(2.26)

(2.27)

37  

 

 

dan 1 14 42 2

0 0

( ) ( ) , ( ) ( )

n nj nk j nk

N N

n n

y k y n e z k z n eπ π− −− −

= =

= =∑ ∑

Sifat periodik pada fungsi eksponensial juga membuat perhitungan dalam FFT

menjadi lebih sederhana sehingga perhitungan yang dilakukan untuk 0k = sampai

dengan 12Nk = − sama dengan perhitungan yang dilakukan

2Nk = sampai dengan

1k N= − , sehingga persamaan (2.27) dapat diubah menjadi :

'

' ' '

'

( ) ( )2

( ) ( ) ( ) ( )2 2 2

( ) ( ) ( )

NX k X k

N N NX k Y k W k Z k

X k Y k W Z k

= +

= + + + +

= −

Persamaan 2.27 dan 2.28 dikenal sebagai Metode Fast Fourier Transform

Butterfly yang merupakan bagian FFT yang memperoleh dua buah input menjadi dua

buah keluaran. Dua buah masukkannya adalah Y(k) dan Z(k) yang merupakan hasil

perhitungan dari metode DFT dengan menggunakan 2N titik.

Metode FFT Butterfly merupakan langkah pertama dalam perhitungan total

motode FFT. Y(k) dan Z(k) juga mempunyai sifat simetris bilangan kompleks, karena itu,

Y(k) dan Z(k) dapat dihitung dengan dua buah metode DFT 4N titik. Tahap di mana

dilakukan perhitungan ini disebut sebagai langkah kedua dalam perhitungan total FFT.

Tahap ketiga adalah melakukan perhitungan dengan 8N titik, dan demikian seterusnya

hingga tersisa menjadi dua buah titik (Hayes,1999,p.264).

(2.28)

38  

 

 

Karena sifat kesimetrisannya, nilai N yang ditentukan untuk membentuk sebuah

garis frame merupakan bilangan pangkat dari 2(2 )n dan jumlah tahap yang diperlukan

untuk menyelesaikan metode FFT secara lengkap sebanyak 2 log N dengan masing-

masing tahap harus melakukan perhitungan FFT sebanyak 2N kali. Jumlah total

pengoperasian perkalian bilangan kompleks yang harus dilakukan dalam FFT secara

lengkap adalah 2. log2N N , di mana pengoperasian perkalian ini jauh lebih sedikit untuk

nilai N yang besar dibandingkan dengan operasi perkalian bilangan kompleks yang

diperlukan jika menggunakan metode DFT secara langsung (Hayes,1999.p265).

2.6 Kebutuhan Perancangan Program

2.6.1 Rekayasa Piranti Lunak

Rekayasa Piranti Lunak menurut Fritz Bauer (Pressman, 2005, p23) adalah

penetapan dan pemakaian prinsip-prinsip rekayasa dalam rangka mendapatkan piranti

lunak yang ekonomis yaitu terpecaya dan bekerja efisien pada mesin (komputer).

Menurut Pressman (2005, p24), rekayasa piranti lunak mencakup tiga elemen

yang mampu mengontrol proses pengembangan piranti lunak,yaitu:

a. Metode-metode (methods),

Yaitu menyediakan cara-cara teknis untuk membangun piranti lunak;

39  

 

 

b. Alat-alat bantu (tools)

Mengadakan dukungan otomatis atau semi otomatis untuk metode-metode seperti

CASE (Computer Aided Software Engineering) yang mengkombinasikan software,

hardware, dan software engineering database.

c. Prosedur-prosedur (procedurs)

Yaitu merupakan pengembangan metode dan alat bantu.

Dalam perancangan software dikenal istilah software life cycle yaitu serangkaian

kegiatan yang dilakukan selama masa perancangan software. Pemakaian jenis software

life cycle yang cocok salah satunya ditentukan oleh jenis bahasa pemrograman yang

cocok. Contohnya, Waterfall Model merupakan model yang paling umum dan paling

dasar pada software life cycle pada umumnya, Rapid Application Development (RAD)

dan Joint Application Development (JAD) cocok untuk software berbasis objek (OOP),

sedangkan Sync+Stabilize dan Spiral Model yang merupakan pengembangan model

waterfall dengan komponen prototyping cocok untuk sebuah aplikasi yang rumit dan

cenderung mahal pembuatannya.

Menurut Dix (1997, p180), berikut adalah visualisasi dari kegiatan pada software

life cycle model waterfall:

a. Spesifikasi kebutuhan (Requirement specification)

Pada tahap ini, pihak pengembang dan konsumen mengidentifikasi apa saja fungsi-

fungsi yang diharapkan dari sistem dan bagaimana sistem memberikan layanan yang

diminta. Pengembang berusaha mengumpulkan berbagai informasi dari konsumen.

40  

 

 

b. Perancangan arsitektur (Architectural design)

Pada tahap ini, terjadi pemisahan komponen-komponen sistem sesuai dengan

fungsinya masing-masing.

c. Detailed design

Setelah memasuki tahap ini, pengembang memperbaiki deskripsi dari komponen-

komponen dari sistem yang telah dipisah-pisah pada tahap sebelumnya.

d. Coding and unit testing

Pada tahap ini, disain diterjemahkan ke dalam bahasa pemrograman untuk

dieksekusi. Setelah itu komponen-komponen dites apakah sesuai dengan fungsinya

masing-masing.

e. Integration and testing

Setelah tiap-tiap komponen dites dan telah sesuai dengan fungsinya, komponen-

komponen tersebut disatukan lagi. Lalu sistem dites untuk memastikan sistem telah

sesuai dengan kriteria yang diminta konsumen.

f. Pemeliharaan (maintenance)

Setelah sistem diimplementasikan, maka perlu dilakukannya perawatan terhadap

sistem itu sendiri. Perawatan yang dimaksud adalah perbaikan error yang ditemkan

setelah sistem diimplementasikan.

41  

 

 

Gambar Error! No text of specified style in document..15 Software Life Cycle Model

Waterfall (Dix (1997, p181))

2.6.2 Rich Picture

2.6.2.1 Tujuan

Rich picture pada awalnya dikembangkan sebagai bagian dari Soft Systems

Metodology yang diciptakan oleh Peter Checkland untuk mengumpulkan informasi

tentag sebuah situasi yang rumit (Checkland, 1981; Checkland and Scholes, 1990). Ide

untuk menggunakan gambar atau foto untuk berpikir tentang suatu masalah sangat

umum untuk kasus problem solving atau metode berpikir kreatif (termasuk terapi),

karena sesuai denga intuisinya, manusia dapat berkomunikasi dengan lebih mudah bila

diekpresikan dengan simbol dibanding dengan kata-kata.

42  

 

 

Gambar dapat memunculkan sekaligus merekam pengartian yang mendalam

terhadap sebuah situasi. Sementara itu dan teknik visualisasi yang berbeda seperti visual

brainstorming, manipulasi penggunaan ibarat dalam tulisan, telah dikembangkan

sebelumnya, tetapi hanya memenuhi satu tujuan dari dua tujuan yang ada. (Garfield,

1976; McKim, 1980; Shone, 1984; Parker, 1990).

Rich picture digambar pada masa pra-analisis, sebelum diketahui secara jelas

bagian mana dari suatu situasi yang terbaik untuk dijadikan bagian dari suatu proses dan

bagian mana dibuat sebagai sebuah struktur.

Gambar 2.16 Contoh rich picture

(http://systems.open.ac.uk/materials/t552/pages/rich/richAppendix.html)

43  

 

 

Rich picture atau yang juga dikenal sebagai rangkuman situasi digunakan untuk

menggambarkan situasi yang rumit. Rich picture adalah suatu usaha untuk

menggabungkan situasi yang sesungguhnya melalui representasi kartun secara bebas

tentang semua ide mengenai layout, connections, relationships, pengaruh, sebab dan

akibat, dan lain sebagainya. Seperti ide-ide objektif ini, rich picture harus dapat

menggambarkan elemen-elemen subjektif seperti karakter dan karakteristik, sudut

pandang dan dugaan, semangat dan tingkah laku manusia.

2.6.2.2 Elemen

Pada umumnya rich picture terdiri dari beberapa elemen, yaitu:

a. Simbol bergambar;

b. Kata kunci;

c. Kartun;

d. Sketsa;

e. Simbol;

f. Judul.

2.6.3 Use Case Diagram

Use Case menunjukkan hubungan interaksi antara aktor dengan use case di

dalam suatu sistem (Mathiassen, 2000, p343) yang bertujuan untuk menentukan

bagaimana aktor berinteraksi dengan sebuah sistem. Aktor adalah orang atau sistem lain

yang berhubungan dengan sistem.

44  

 

 

Ada tiga simbol yang mewakili komponen sistem seperti terlihat pada gambar

dibawah ini.

Gambar 2.17 Notasi Use Case Diagram

(Mathiassen (2000, p343))

Menurut Schneider dan Winters, ada lima hal yang harus diperhatikan dalam

pembuatan diagram use case (Schneider dan Winters, 1997, p26):

a. Aktor: segala sesuatu yang berhubungan dengan sistem dan melaksanakan use case

yang terkait.

b. Precondition: kondisi awal yang harus dimiliki aktor untuk masuk ke dalam sistem

untuk terlibat dalam suatu use case.

c. Postcondition: kondisi akhir atau hasil apa yang akan diterima oleh aktor setelah

menjalankan suatu use case.

d. Flow of Events: kegiatan-kegiatan yang dilakukan pada sebuah proses use case.

e. Alternative Paths: kegiatan yang memberikan serangkaian kejadian berbeda yang

digunakan dalam Flow of Events.

45  

 

 

2.6.4 Sequence Diagram

Menggambarkan bagaimana objek berinteraksi satu sama lain melalui pesan pada

pelaksanaan use case atau operasi. Diagram sequence mengilustrasikan bagaimana

pesan dikirim dan diterima antar objek secara berurutan. (Whitten et. al., 2004, p441).

Beberapa notasi diagram sequence terlihat pada gambar dibawah ini.

Gambar 2.18 Notasi Sequence Diagram

(Whitten (2004, p441))

2.6.5 Interaksi Manusia dan Komputer

Menurut Shneiderman (2005, p4), Interaksi manusia dan komputer merupakan

disiplin ilmu yang berhubungan dengan, perancangan, evaluasi, dan implementasi sistem

komputer interaktif untuk digunakan oleh manusia, serta studi fenomena-fenomena

besar yang berhubungan dengannya.

Pada interaksi manusia dan komputer ditekankan pada pembuatan antarmuka

pemakai (user interface), dimana user interface yang dibuat diusahakan sedemikian rupa

46  

 

 

sehingga seorang user dapat dengan baik dan nyaman menggunakan aplikasi perangkat

lunak dibuat.

Antar muka pemakai (user interface) adalah bagian sistem komputer yang

memungkinkan manusia berinteraksi dengan komputer. Tujuan antar muka pemakai

adalah agar sistem komputer dapat digunakan oleh pemakai (user interface), istilah

tersebut digunakan untuk menunjuk kepada kemampuan yang dimiliki oleh piranti lunak

atau program aplikasi yang mudah dioperasikan dan dapat membantu menyelesaikan

suatu persoalan dengan hasil yang sesuai dengan keinginan pengguna, sehingga

pengguna merasa betah untuk mengoperasikan program tersebut.

2.6.5.1 Program Interaktif

Suatu program yang interaktif dan baik harus bersifat user friendly.

(Scheiderman, p15) menjelaskan lima kriteria yang harus dipenuhi oleh suatu program

yang user friendly, yaitu:

a. Waktu belajar yang tidak lama;

b. Kecepatan penyajian informasi yang tepat;

c. Tingkat kesalahan pemakaian rendah;

d. Penghafalan sesudah melampaui jangka waktu;

e. Kepuasan pribadi.

2.6.5.2 Pedoman Merancang User Interface

Beberapa pedoman yang dianjurkan dalam merancang suatu program, guna

mendapatkan suatu program yang user friendly yaitu:

47  

 

 

a. Delapan aturan emas (Eight Golden Rules)

Untuk merancang sistem interaksi manusia dan komputer yang baik, harus

memperhatikan delapan aturan emas dalam perancangan antarmukan, seperti: strive for

consistency (konsisten dalam merancang tampilan), enable frequent user to use shorcuts

(memungkinkan pengguna menggunakan shortcuts secara berkala), offer informative

feed back (memberikan umpan balik yang informatif), design dialogs to yield closure

(merancang dialog untuk menghasilkan keadaan akhir), offer simple error handling

(memberikan penanganan kesalahan), permit easy reversal of actions (mengijinkan

pembalikan aksi dengan mudah), support internal locus of control (mendukung

pengguna menguasai sistem), dan reduce short-term memory load (mengurangi beban

jangka pendek pada pengguna).

b. Teori waktu respon

Waktu respon dalam sistem komputer menurut (Scheiderman, p352) adalah

jumlah detik dari saat pengguna program memulai aktifitas sampai menampilkan

hasilnya di layar atau printer. Beberapa pedoman yang disarankan: pemakai lebih

menyukai waktu respon yang pendek, waktu respon yang panjang mengganggu, waktu

respon yang pendek menyebabkan waktu pengguna berpikir lebih pendek, waktu respon

harus sesuai denga tugasnya, dan pemakai harus diberi tahu mengenai penundaan yang

panjang.